Microsoft Prompt Engineering

https://github.com/microsoft/generative-ai-for-beginners

基本概念

• Tokenization = how the model "sees" the prompt 标记化 = 模型如何“看到”提示 LLM 将 prompt 视为一系列 tokens，其中不同模型（或模型的版本）可以以不同方式对同一提示进行标记。

• Base LLMs = how the foundation model "processes" a prompt 基础 LLMs = 基础模型如何“处理”提示 一旦 prompt 被标记化，基础 LLM（或基础模型）的主要功能就是预测该序列中的 tokens。 注意：LLMs 不理解 prompt 或 tokens 中单词的含义；他们只是看到了一个可以通过下一个预测“完成”的模式。

• Instruction-Tuned LLMs = how the model can now see "tasks" 指令调整的 LLMs = 模型现在如何查看“任务” 使用可以包含明确指令的示例或输入/输出对（例如多轮“消息”）对其进行微调，可以训练模型遵循指令并从反馈中学习，从而产生更适合实际应用且与用户目标更相关的响应。

提示词技巧

• Zero-shot prompting：零样本提示

• Few-shot prompting：少样本提示

• Chain-of-thought（CoT）：思路链（提供相似例子、展示计算流程）

• Generated knowledge：提示词中规范输出

• Least to most：将问题分解为一系列步骤，然后要求按顺序执行这些步骤

• Self-refine：对模型结果进行批判，要求其改进

• Maieutic prompting：要求其解释结果的各个部分，减少输出的不一致

AI 开发和使用的六项原则

公平性

AI 系统应公平对待所有人。

可靠性和安全性

AI 系统应可靠、安全地执行。

隐私和安全性

AI 系统应是安全的并且应尊重隐私。

包容性

AI 系统应为所有人提供支持，让人们都参与进来。

透明度

AI 系统应明白易懂。

问责制

应该有人对 AI 系统负责。